高光譜成像技術(shù)最早與紡織領(lǐng)域有關(guān)的研究是從棉花雜質(zhì)檢測開始的，研究對象為籽棉、皮棉、梳棉表面以及內(nèi)部的多種雜質(zhì)，雜質(zhì)包括普通雜質(zhì)、毛發(fā)、丙綸絲、有色線、地膜等無色、淺色和深色異性物質(zhì)。

通過分析棉花雜質(zhì)檢測相關(guān)的文獻(xiàn)，對其中的研究方法進(jìn)行了整理，見表1，這些研究方法也可以作為參考應(yīng)用到紡織其他檢測領(lǐng)域。

在籽棉雜質(zhì)檢測中，常金強(qiáng)等對120個機(jī)采籽棉樣本的圖像使用主成分分析（PCA）的方法對數(shù)據(jù)進(jìn)行降維，通過3種有監(jiān)督的分類判別算法建立判別模型，結(jié)果顯示線性判別分析（LDA）模型結(jié)果最優(yōu)，可以有效識別植物性雜質(zhì)，但是對地膜的識別還存在誤判。

Wei等[9]以含有5種白色異性纖維的籽棉為研究對象，光譜采集范圍為400-1000 nm，對選取的子區(qū)域通過最小噪聲分離（MNF）方法降維、去噪，通過機(jī)器視覺評價確定最佳分割圖像，試驗表明該方法能夠?qū)Π咨愋岳w維進(jìn)行有效識別，識別率達(dá)91%。針對籽棉中地膜難以有效識別的問題，倪超等[2提出了一種新的算法，首先采集籽棉高光譜圖像，光譜范圍在1000-2 500nm，然后運(yùn)用深度學(xué)習(xí)中的自編碼器模型對數(shù)據(jù)進(jìn)行特征提取和降維，然后對樣本實現(xiàn)初步分類，最后將結(jié)果分類為地膜和非地膜，該算法大大提高了對地膜的識別率，基本滿足了實際生產(chǎn)需求。

在皮棉表面雜質(zhì)檢測中，劉巍等對高光譜反射、透射和反透射3種不同的成像模式進(jìn)行研究，對比雜質(zhì)在皮棉中的識別率，結(jié)果表明采用透射成像模式雜質(zhì)的識別率最高。

郭俊先等先獲取不同異性纖維的最佳波段圖像，然后采用像素級簡單的圖像融合進(jìn)行識別，結(jié)果表明對多類難檢異性纖維共存的檢測是可以實現(xiàn)的，針對白色豬毛和透明丙綸絲無法識別的問題，提出可以采用結(jié)合全波段進(jìn)行像素判別分類的解決方法。

Mustafic等利用高光譜熒光成像作為異性物質(zhì)分化的補(bǔ)充工具，首先利用基于興趣區(qū)域的方法提取皮棉和7種異物的平均光譜，然后采用主成分分析（PCA）方法，從425 ~700 nm 范圍內(nèi)的113個波長中篩選出最優(yōu)特征，對所選波長進(jìn)行線性判別分析（LDA），所有樣品的平均分類率為90%。

張航等]對混入皮棉中的地膜識別進(jìn)行了研究，首先提取地膜的平均光譜數(shù)據(jù)，使用偏最小二乘回歸分析（PLSR）方法優(yōu)選出560.3、673.9.716.9 nm 和 798.8 nm 4個最優(yōu)波段，然后提取4個波段對應(yīng)的圖像，分別進(jìn)行兩次圖像融合，并移除小目標(biāo)得到最終圖像，該方法能較好地完成對地膜圖像的分割。

在梳棉表面雜質(zhì)檢測中，Zhang等23用液晶可調(diào)諧濾波器高光譜成像技術(shù)檢查棉絨表面異物，光譜采集范圍為900~1 700 nm，用線性判別分析方法對不同類型的異物和棉絨進(jìn)行光譜特征分類，采用留一驗證和四倍交叉驗證的分類準(zhǔn)確率分別為96.5%和95.1%。

在梳棉內(nèi)部雜質(zhì)檢測中，郭俊先等針對棉網(wǎng)1~4 mm深度內(nèi)的雜質(zhì)進(jìn)行研究，采用3種不同的方法來提取雜質(zhì)的關(guān)鍵波長，通過對比分析，采用與像素分類器結(jié)合的包裝方法選擇的最優(yōu)波長集合，能夠識別大部分普通雜質(zhì)，但是對白色豬毛和透明丙綸絲的識別率還有待提高。

對于梳棉內(nèi)部更深處的雜質(zhì)，郭俊先等[27]在波長460-900 nm 范圍內(nèi)，采用像素分類分割圖像處理，利用二次判別分析分類像素，對雜質(zhì)和棉網(wǎng)進(jìn)行準(zhǔn)確分類，但是對比度小的像素分類較差如白色丙綸絲，且隨著棉網(wǎng)深度的增加檢測效率下降較快。

Zhang等采用透射模式對棉絨內(nèi)常見異物進(jìn)行檢測和分類，對獲取的圖像，利用最小噪聲分?jǐn)?shù)旋轉(zhuǎn)獲得組分圖像，從141個波長波段中識別出最佳光譜波段，利用 LDA 和 SVM分別在光譜水平和像素水平對異物進(jìn)行分類，使用選定的最佳波長，光譜和圖像的分類精度達(dá)到95%以上。

Jiang等使用最小冗余最大關(guān)聯(lián)算法作為特征選擇方法，篩選出最適合異物分類的波長，通過比較使用LDA、SVM 和ANN的分類性能來評估所選波長的通用性，共選擇12個波長作為異物分類的最佳特征集，LDA、SVM 和 ANN的平均分類率分別為91.25%.86.67%和 86.67%，該研究探索了一種高光譜成像最佳波長選擇的新方法，提高了分類精度和速度。

?

?

?

?

?